研究资金对知识创造和传播的影响：

因此，我们建立在这样一个假设之上，即为一个研究项目产生想法的研究人员会提交一份拨款申请，以获得开展该项目的资金。如果申请成功，研究人员将花费补助金，可能产生也可能不产生研究成果。这种不确定性是研究过程固有的。在瑞士，慈善和私营部门赠款确实起到了越来越大的作用，但仍然相对较小（施密特2008年，容克和扎查雷维奇2016年）。资助机构筛选资助提案并委托专家评审，以评估申请的资金价值。如果提交的标书收到的评估结果与其他标书相比非常好，则根据可用的资金金额授予资金。这意味着，即使在拨款申请被拒绝的情况下，研究人员也可以追求项目理念，但没有这些专用资源。在许多情况下，融资决策是在边际上做出的，一些获胜的项目仅略好于非获胜的项目（Graves et al.2011、Neufeld et al.2013、Fang&Casadevall 2016）。如果资金本身确实对研究成果产生影响，我们会认为受资助的研究人员在数量和质量方面都更成功地产生产出。除了资源驱动效应外，还可能存在与公共项目资金相关的直接传播激励。一方面，资助机构可能鼓励甚至要求传播资助项目的任何结果。

另一方面，研究人员可能有动力公布研究成果，向资助机构表明项目成功，并赢得对未来提案评估有价值的声誉。在通过不同指标评估资金对研究产出的贡献时，我们必须考虑到，对资金效应的评估需要对研究人员的产出生成进行假设。产出在多大程度上可以归因于资金本身，也取决于所使用的计量经济模型（Silberzahnet al.2018）。因此，我们采取了一种定量的多方法方法，对之前相关研究中应用的方法进行了补充和补充。通过比较不同估算方法的结果，还可以评估我们的结论对特定建模假设的敏感性。特别是，我们估计纵向回归模型，旨在解释研究人员之间未观察到的异质性。此外，我们使用非参数匹配方法来显式地模拟grantawarding过程中的选择性。2.1混合效应模型定义为研究人员i在t年和Fit年的研究成果-1一个二元变量，指示我在t年是否有机会获得NSF资助- 1.请注意，该指标在授予项目的整个持续时间内取1。由于资金对产出的直接影响不太可能发生，因此资金信息被标记为一年。请注意，我们将区分作为PI的资金和作为联合PI的资金（仅限）。然后，一般的经验模型可以表示为it（φ）=φ[Fit]-1+Xit+Tt]+vi+它，φ是参数的向量。XIT代表一个向量，带有t处的解释因子，包括研究人员的观察特征和平均评估分数中反映的拨款申请的平均质量。

进一步的TTP捕捉整体时间趋势，即未观察到的个体异质性，以及这是错误术语。上述规范描述了Blundell等人（1995年）之后离散结果的生产函数。作为第一种估算策略，countdata模型将用于估算研究成果，例如同行评审文章或预印本的数量。此外，这些模型考虑了未观察到的个体特征vi，除了可观察的特征之外，这些特征还可能预测研究产出，并且独立于项目资金。估计这种未观察到的异质性的一种方法是对个体（这里是研究人员）使用随机截取，并考虑信息的层次结构（例如面板数据）。因此，我们估计混合计数模型以捕获vi。计数数据的混合回归模型采用以下形式log E（Pit | data）=φ[Fit-1+Xit+Tt]+vi.除了计数型输出外，我们还估计了资助对连续输出变量的影响，如每年引文的平均数量或研究人员的平均年度altmetric分数。对于这些输出类型，我们根据拟合方面的可比模型规格估计线性回归模型-1、Xit、TTA和vi.2.2非参数处理效果估算在替代估算方法中，我们采用了一种非参数技术：项目资金对科学成果的平均处理效果由一个计量匹配估计器进行估计，该估计器解决了以下问题：“如果一位受资助的研究人员没有获得资助，她会发表多少论文（或者她的研究会得到多少altmetrics或引文关注？”。这意味着将实际观察到的结果与反事实结果进行比较，以得出对资金影响的估计。

鉴于无法观察到反事实的情况，因此需要进行估计。为此，我们采用了最近邻倾向评分匹配。也就是说，我们通过选择一种替代方法，将每一位受资助者与一位非受资助者配对。另一种方法是利用研究人员的样本前信息，作为不可观察特征的补偿，例如研究人员的能力或写作才能，从而在（后期）样本期内影响研究成果。我们进行了线性反馈模型（LFM）作为稳健性测试，并在附录7中介绍了它们。我们在R和负二项族中使用了lmer软件包。最接近的“双胞胎”基于收到补助金的估计概率和提交的申请收到的平均分数的相似性。请注意，我们从未成功申请者的样本中选择了这对双胞胎研究者，以便在总体获胜倾向（包括个人和机构特征）和提案的评估分数上进行匹配，从而在个人和提案（或项目理念）特征上进行匹配，以找到最具可比性的个人。获得补助金的估计倾向是根据一个二元治疗指标的概率估计得出的，该二元治疗指标的值为个人获得项目资助的每三个研究年度组合的一个值。与exactmatching相比，倾向评分匹配的优势在于，它允许将更大的一组特征组合成一个单一的指标，从而避免维度灾难。然而，对一些关键指标引入精确匹配可以改善匹配后控制变量的平衡。

特别是，我们精确匹配了资助轮的年份，因为这允许治疗和对照个体有相同的治疗后时间窗口，还可以捕获输出的时间趋势，这可能会影响估计的治疗效果。此外，我们只在一个研究领域内进行匹配，以避免混淆治疗效果与资源需求的异质性以及产出模式的学科差异。我们遵循Ger Fin&Lechner（2002）提出的匹配方案，计算治疗和对照观察之间的马氏距离asMDij=（Zi）- （Zj）Ohm-1（子）- Zj）在哪里Ohm 是匹配参数（倾向分数和评估分数）的经验协方差矩阵。我们使用卡尺，通过设定治疗组和对照组之间允许的最大距离阈值来避免不良匹配。也就是说，只有当| Zj- |, 哪里 是预先规定的公差。将每位研究人员与最相似的未经治疗的研究人员配对后，观察结果的任何剩余差异都可以归因于资金效应。根据条件独立性假设（Rubin 1977），由此得出的治疗效果估计是无偏的。换句话说，为了克服选择问题，对于具有相同特征的个体，参与和潜在结果必须是独立的。请注意，通过在评估分数和倾向分数上进行匹配，我们的方法类似于回归不连续设计的想法。除了在M D上的紧密性，我们还使用了精确匹配的元素，要求选定的对照研究人员完全属于同一学科领域，并与治疗组的研究人员在同一年进行观察。

这可以解释不同学科的不同出版模式，以及资助可能性和结果变量的时间趋势。（RDD）。然而，所选方法的优点是，它允许我们为更具代表性的一组个体得出因果结论。虽然RDD设计具有内部一致性高的优势，但其代价是仅为研究人员得出关于削减效应的估计（de la Cuesta&Imai 2016）。然而，在我们的例子中，这一阈值不是恒定的，而是取决于提交的提案的数量，并且获奖提案获得的评估分数存在很大差异。在我们的应用中，我们还预计会对研究人员产生不同的影响，因此，在远离选择门槛的情况下，局部影响可能与研究人员的影响非常不同（Battistin&Rettore，2008年）。因此，使用匹配的对照组，治疗组的平均影响可以计算为匹配样本的平均差异：αT T=ntXiPiT-Xj^PjC！PTI是治疗组的结果变量，PCJ是i和NTI的计数（治疗研究人员的样本量）。3 SNSF提供的数据和描述性分析数据已用于检索一组感兴趣的研究人员。这些研究人员已向SNSF资助工具项目资助（PF）或Sinergiaas主要申请人（如PI）或orco申请人（如co PI）提出申请。PF计划是一种自下而上的方法，因为它为研究项目的成本提供资金，其主题由申请人自己选择。研究周期是动态的，研究人员是特定的：从SNSF第一次观察研究人员作为（合作）皮托PF或职业资助资助资助者（博士后水平）的年份开始；独立研究生涯开始的那一年。然而，这一研究阶段的下限在2005年。

对于每个人来说，这一时期都将在2019年结束，一些研究人员的观察期比其他人更长。对于每位研究人员，定义了一个样本前阶段，包括观察开始前的五年。所有感兴趣的结果变量的样本前信息，用于解释个体之间的异质性，以线性反馈模型的方式进入研究，并用于匹配。为了估计反事实情况，我们进行替换抽样，匹配后平均差异的普通t统计量是有偏的，因为它没有考虑重复观察的现象。因此，我们必须按照Lechner（2001）的说法，修正标准误差，以便得出统计推断的结论。Sinergia方案与PF密切相关，因此我们不会在以下方面区分它们。如果获得批准，联合申请人有权获得部分资金。非参数估计方法的事前性能。此外，只有在2010年后至少申请过一次SNSF的研究人员才能被纳入，以确保最低限度的研究活动。在下一步中，我们从维度数据库（Digital Science 2018）中检索一个维度标识符（Dim ID），使用一个人的姓名、研究领域、年龄以及有关过去和当前工作的信息。Dim ID使我们能够收集消除歧义的出版物信息，供这些研究人员用于实证分析。3.1变量和描述性统计原始数据集由11\'228名合格研究人员组成。其中10%（1\'143）无法在维度数据库中识别。

在使用他们的名字发现的研究人员中，来自SNSF数据库（国家、ORCID、机构等）的补充信息在1%的病例中不匹配，我们不确定是否找到了正确的研究人员。12%的研究人员发现在维度上没有唯一的ID。删除这些观察结果后，我们观察了总共8\'793名不同的研究人员（78%的合格研究人员），最终数据集由82\'249名研究人员的年度观察结果组成。研究人员的平均观察时间为9.35年。从2005年到2019年的最长观察时间为15年，在这一最长研究期间观察了2319名研究人员。所有出版数据均于2020年9月检索。3.1.1研究基金本研究的核心兴趣是竞争性项目资金对研究人员后续研究成果的影响。关于SNSF资金的信息表明，研究人员在某一年是否可以获得SNSF资金作为aPI和/或co PI。我们对项目执行机构和项目执行机构进行了区分，以测试资金效应是否因项目中的角色而异。在观察期内，我们数据集中的研究人员平均由SNSF资助4.6年；作为项目PI的3.3年，见表1。数据中总共包括20476个不同的项目申请（不需要资金）。平均而言，一名项目执行官总共参与了3.7个项目申请（作为PI或co PI）；在3.1提交文件中作为PI，在2.3提交文件中作为co PI。数据中约66%的项目只有一个PI申请资助，22%的项目有一个PI和一个co PI，8%的项目有一个PI和两个ID。如果维度发现某个名字有多个ID，我们使用SNSF可获得的关于研究人员的进一步信息来缩小ID选项。

如果ORCID有此补充信息，则说明当前和以前的研究机构、国家和出生年份。只有具有唯一ID的研究人员才能用于以下研究。关于已发现和未发现的研究人员的比较，见表8。表8co-PIs中可以找到没有唯一ID的研究人员的一些特征，4%的特征是由PI和三个或三个以上的co-PIs一起提交的。请注意，在整个研究期间，我们的数据集中成功应用的百分比为48%（STEM应用的成功率为~ 60%是~ 在SSH中为44%，而LS中的一个最低~ 40%).这些数字反映出，在瑞士的研究资助体系中，项目资助确实发挥了重要作用，但机构核心资金也相对慷慨。后者平均占大学总资金的70%以上（施密特2008，Reale 2017）。这使得研究人员能够在没有项目资金的情况下在系统中维持生命。虽然总体而言，该国类似研究机构的机构资金相当同质，但不同机构类型的资金有所不同。因此，在以下分析中考虑机构资金非常重要，因为它为研究人员提供了重要的补充资源（Jonkers&Zacharewicz，2016）。此外，在不同的机构类型中，我们还考虑了研究领域和研究人员的职业生涯阶段，因为这可能也反映了核心预算中的个人差异。我们在第3.1.3小节中介绍了这些变量的样本特征。另一个重要的方面，当分析E.E.E.研究经费是来自其他来源的资金，除了机构资金（HouttRoTt和劳森2017）。在所有欧洲国家，欧洲研究理事会（ERC）都发挥着重要作用。

因此，我们收集了接受ERC资助的瑞士研究人员的数据，并将其与我们的样本进行了匹配。在本研究中考虑的所有研究人员中，只有一小部分（4.2%）曾获得ERC的资助。这些研究人员中的大多数在同一时间（87%）有一个PF格兰耳轴。图6更详细地显示了不同资助组的观察次数。3.1.2研究产出稳定1总结了产出指标以及资金长度。最直接的研究产出衡量标准是（peerreeved）文章的数量。我们数据中的一位研究人员平均每年发表4.9篇文章。STEM（5.7）和生命科学（LS）（6.5）的年度论文数量高于社会科学和人文科学（SSH），研究人员平均每年发表约1.5篇论文。各领域的所有产出变量（以及资金和研究人员信息）差异见表7。在生物医学研究、物理学或经济学等学科中，文章的预印本被广泛使用和接受（Berg等人，2016年，Serghiou&Ioannidis 2018年）。由于初步产出很早就可获得，因此是一个有趣的额外产出，因为只有少数案例确定持有重大国际赠款，但没有SNSF资金，我们在以下方面不区分这些群体。请注意，从ERC资助的项目数据库中检索到的数据仅包括自2007年以来获得的赠款。可能表明研究结果的传播和可获得性。预印本的年平均数量远低于其中一种（0.4），这是因为预印本是最近才出现的一种研究成果，在干油田比其他油田更常见（见表7）。另一个产出指标是perresearcher每年的引用次数。